💹
Task3：进阶上分方向讨论

2024年7月17日创建

4845

6194

💡

教程贡献者说：

Task2使用探索性数据分析详细挖掘了赛题电力数据背后的模式，并给出了一系列的上分点（节假日、外部数据……）​

在本节中，我们将探讨电力现货市场价格预测的前沿方法，并补充相关的知识，帮助大家更好地找到自己迭代上分的方向。​

本节设置了三个主要的上分方向，大家可以自由尝试 []~(￣▽￣)~：​

•
时间序列挖掘（较容易）​

•
ABM报价策略优化（难度中等偏上）​

•
强化学习（难度高）​

进阶上分方向

时间序列挖掘

Task2中我们对时间序列做了详细的EDA，在这里我们将提供一个简单的时间序列Baseline作为参考，并提供详细的流程解释。可以下载下方的文件按类似Task1中的流程​从零入门AI for Science（AI+经济）就可以在Modelscope平台中跑通。​

Task3_Baseline.ipynb

100.95KB

33%

sample_submit.csv

456.89KB

33%

electricity_price_parsed.csv

2.68MB

33%

接下来我们来详细解读一下Baseline2

导入包和读取数据（同Baseline1）

特征工程

特征工程是数据预处理过程的一部分，涉及从原始数据中提取和创建新特征，以提高机器学习模型的性能。特征工程的目标是通过选择和构建合适的特征，使模型能够更好地理解数据和预测目标变量。​

一般而言，我们可以构造如下时间序列特征：

•
时间戳特征：年、月、日……​

•
历史信息特征：过去n期同日期的均值、标准差……​

•
滞后特征：将数据平移n期，例如平移7期就是用上周同时间的出清价作为参考（但本案例中预测区间过长，无法用到该特征，除非使用迭代预测）​

•
滑窗特征：历史7天、14天……均值、标准差、最大值、最小值、变异系数、峰度、偏度……​

•
周期特征：将年月日等时间特征转为正余弦函数​

•
异常值特征：例如在一定滑窗下用3标准差原则发现总负荷的异常值作为特征​

•
节假日特征与外部数据：节假日与天气数据在本案例中有很大的影响​

详细的时间序列特征工程构造方法可以参考第二期Datawhale电力预测夏令营：​Task3：尝试使用深度学习方案​

代码块

train_data["hour"] = electricity_price.index.hour​
train_data["day"] = electricity_price.index.day​
train_data["month"] = electricity_price.index.month​
train_data["year"] = electricity_price.index.year​
train_data["weekday"] = electricity_price.index.weekday​
# 根据月份信息，判断是否为风季（1-5月和9-12月），创建布尔型 "is_windy_season" 列​
train_data["is_windy_season"] = electricity_price.index.month.isin([1, 2, 3, 4, 5, 9, 10, 11, 12])​
# 根据小时信息，判断是否为低谷时段（10-15点），创建布尔型 "is_valley" 列​
train_data["is_valley"] = electricity_price.index.hour.isin([10, 11, 12, 13, 14, 15])​
train_data["quarter"] = electricity_price.index.quarter​
# 对时间特征进行独热编码（One-Hot Encoding），删除第一列以避免多重共线性​
train_data = pd.get_dummies(​
    data=train_data,        # 需要进行独热编码的 DataFrame​
    columns=["hour", "day", "month", "year", "weekday"],  # 需要独热编码的列​
    drop_first=True         # 删除第一列以避免多重共线性​
)​